論文の概要: Variational Autoencoded Multivariate Spatial Fay-Herriot Models

• arxiv url: http://arxiv.org/abs/2503.14710v1
• Date: Tue, 18 Mar 2025 20:19:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:25:43.085089
• Title: Variational Autoencoded Multivariate Spatial Fay-Herriot Models
• Title（参考訳）: 多変量空間ファイヒリオットモデルによる変分自己符号化
• Authors: Zhenhua Wang, Paul A. Parker, Scott H. Holan,
• Abstract要約: サンプルサイズに制限のある地域での個体群特性を推定するためには,小面積推定モデルが不可欠である。 空間的ファイ・ヘリオットモデル(英語版)は、近隣地域の強度を借りて推定を改善するために空間的依存を取り入れたアプローチである。 本稿では,多変量空間ファイ・ヘリオットモデルと空間ランダム効果を統合し,変分オートエンコーダを用いて学習する2つの手法を提案する。
• 参考スコア（独自算出の注目度）: 2.411699454065038
• License:
• Abstract: Small area estimation models are essential for estimating population characteristics in regions with limited sample sizes, thereby supporting policy decisions, demographic studies, and resource allocation, among other use cases. The spatial Fay-Herriot model is one such approach that incorporates spatial dependence to improve estimation by borrowing strength from neighboring regions. However, this approach often requires substantial computational resources, limiting its scalability for high-dimensional datasets, especially when considering multiple (multivariate) responses. This paper proposes two methods that integrate the multivariate spatial Fay-Herriot model with spatial random effects, learned through variational autoencoders, to efficiently leverage spatial structure. Importantly, after training the variational autoencoder to represent spatial dependence for a given set of geographies, it may be used again in future modeling efforts, without the need for retraining. Additionally, the use of the variational autoencoder to represent spatial dependence results in extreme improvements in computational efficiency, even for massive datasets. We demonstrate the effectiveness of our approach using 5-year period estimates from the American Community Survey over all census tracts in California.
• Abstract（参考訳）: 少数の地域推定モデルは,サンプルサイズが限られている地域での人口特性を推定し,政策決定や人口統計学,資源配分などを支援するために不可欠である。 空間的ファイ・ヘリオットモデル(英語版)は、近隣地域の強度を借りて推定を改善するために空間的依存を取り入れたアプローチである。 しかし、このアプローチは、高次元データセットのスケーラビリティを制限し、特に複数の(多変数)応答を考慮する際に、かなりの計算資源を必要とすることが多い。 本稿では,多変量空間ファイ・ヘリオットモデルと空間ランダム効果を統合し,空間構造を効率的に活用する2つの手法を提案する。 重要なことは、空間的依存を表すために変分オートエンコーダを訓練した後、再訓練を必要とせず、将来のモデリングにおいて再び使用することができることである。 さらに、空間依存を表現するために変分オートエンコーダを使用すると、巨大なデータセットであっても計算効率が極端に向上する。 本研究は,カリフォルニア州の全国勢調査区を対象に,アメリカン・コミュニティ・サーベイ (American Community Survey) の5年間の期間推定によるアプローチの有効性を実証する。

関連論文リスト

• Encoded Spatial Attribute in Multi-Tier Federated Learning [1.5999407512883512]
  本研究では,エンコード型空間多階層フェデレーション学習手法を提案する。 クライアント層では、目的とする結果をより正確に予測するために、空間情報を符号化する。 精度などの評価指標を用いて,空間的粒度の複雑さに関する知見を明らかにする。
  論文  参考訳（メタデータ） (2025-01-10T12:56:19Z)
• TrajLearn: Trajectory Prediction Learning using Deep Generative Models [4.097342535693401]
  軌道予測は、現在位置と過去の動きデータを用いて、ある物体の将来の進路を推定することを目的としている。 これらの課題に対処するために,軌道予測の新しいモデルであるTrajLearnを紹介する。 TrajLearnは、複数の潜在的パスを探索するためにカスタマイズされたビーム検索を統合することで、次の$k$ステップを予測する。
  論文  参考訳（メタデータ） (2024-12-30T23:38:52Z)
• Exploiting Aggregation and Segregation of Representations for Domain Adaptive Human Pose Estimation [50.31351006532924]
  人間のポーズ推定(HPE)は最近、モーション分析、バーチャルリアリティー、ヘルスケア等に広く応用されているため、注目を集めている。 時間と労働集約的なアノテーションのために、ラベル付き現実世界のデータセットが不足している。 本稿では,ドメイン適応型人間のポーズ推定のための表現集約と分離を両立させる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-29T17:59:45Z)
• A class of modular and flexible covariate-based covariance functions for nonstationary spatial modeling [0.0]
  固定された観測可能な空間情報に依存する共分散関数のクラスを示す。 このモデルは、辺標準偏差、幾何学的異方性、滑らかさなど、異なる非定常性源に対する別々の構造を可能にする。 シミュレーション研究を通じて提示されたモデルの性能解析とスイスの降水データへの適用について述べる。
  論文  参考訳（メタデータ） (2024-10-22T05:53:25Z)
• Deep autoregressive modeling for land use land cover [0.0]
  ランド・ユース/ランド・カバー・モデリング(LULC)は、地理的特徴と地形、生態学、人間発達に関連する異なる空間パターンの間の長距離依存関係のために難しい課題である。 土地利用の空間パターンのモデル化とコンピュータビジョンからのイメージインペインティングの課題との密接な関係を同定し,約1900万個のLULCをモデル化するための改良されたPixelCNNアーキテクチャについて検討する。
  論文  参考訳（メタデータ） (2024-01-02T18:03:57Z)
• Distributionally Robust Model-based Reinforcement Learning with Large State Spaces [55.14361269378122]
  強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。 広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。 本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:42:11Z)
• Reconstructing Spatiotemporal Data with C-VAEs [49.1574468325115]
  移動領域の条件付き連続表現は一般的に用いられる。 本研究では,条件変数自動エンコーダ(C-VAE)モデルを用いて,領域の進化を現実的に表現する機能について検討する。
  論文  参考訳（メタデータ） (2023-07-12T15:34:10Z)
• Improving Heterogeneous Model Reuse by Density Estimation [105.97036205113258]
  本稿では,異なる参加者の個人データを用いてモデルを学習することを目的とした多人数学習について検討する。 モデルの再利用は、各パーティーのためにローカルモデルがトレーニングされていると仮定して、マルチパーティの学習にとって有望なソリューションである。
  論文  参考訳（メタデータ） (2023-05-23T09:46:54Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Geo-Adaptive Deep Spatio-Temporal predictive modeling for human mobility [5.864710987890994]
  深部GA-vLSは、データが不規則なデータを扱うという課題に直面し、定形かつ規則的なテンソル形状のデータを仮定する。 本稿では,その再帰的メカニズムを維持しつつ,新たなデータ構造に基づくジオアウェアな学習操作を提案する。
  論文  参考訳（メタデータ） (2022-11-27T16:51:28Z)
• Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
  本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。 我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。 ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
  論文  参考訳（メタデータ） (2022-02-10T06:23:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。